一种产品推荐方法、装置、计算机设备及存储介质与流程

本技术涉及人工智能和金融科技，尤其涉及一种产品推荐方法、装置、计算机设备及存储介质。

背景技术：

1、随着保险行业的发展和客户需求的多样化，保险产品的种类越来越多，其复杂性也相应提高，客户的选择难度增大。在保险产品领域中，不同客户群体之间的需求往往存在很大的差别，即使是在经济等背景相似的客户群体中，由于不同客户的保险缺口不同，并且考虑到将购买的保险产品与现有保险产品之间的配合问题，导致为客户推荐合适的保险产品具有很大的难度。目前，主要依赖保险代理人员或保险销售人员为客户进行推荐，这种推荐方式的针对性和准确性较差，难以满足客户的需求。

2、随着互联网的迅速发展，推荐系统也随之得到广泛应用。传统推荐系统主要基于用户购买历史、产品相关属性等数据，借助关联规则、内容过滤等算法，通过规则与算法的结合，挖掘用户与产品间的潜在联系，将联系更紧密的产品推荐给用户，实现智能推荐的目的。当推荐系统中客户与保险产品的数量不断增加，传统协同过滤在处理数据稀疏问题时面临效果下降的问题。当数据量不断增加，数据逐渐变得稀疏，信息量减少，难以计算客户及保险产品的相似性，导致推荐结果的不理想。

技术实现思路

1、本技术实施例的目的在于提出一种产品推荐方法、装置、计算机设备及存储介质，以解决相关技术中数据稀疏、数据信息量减少，客户和产品之间的相似性计算难度增大，导致推荐结果不理解，进而造成产品推荐效率低的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种产品推荐方法，采用了如下所述的技术方案：

3、获取用户集和产品集，采集所述用户集中每个用户的基本信息、健康状况信息以及产品信息，并获取所述产品集中的每个产品的产品数据；

4、根据所述基本信息、所述健康状况信息和所述产品信息构建用户健康画像，并基于所述用户健康画像得到用户原始特征；

5、对所述产品数据进行特征工程，得到产品原始特征；

6、获取所述用户集中每个用户对所述产品集中每个产品的历史评分数据和历史交互数据，并根据所述历史评分数据和所述历史交互数据对应构建评分矩阵和交互矩阵；

7、基于所述用户原始特征、所述产品原始特征、所述评分矩阵和所述交互矩阵构建样本集，其中，所述样本集包含有评分标签；

8、将所述样本集输入预构建的神经网络模型中进行训练，得到训练完成的推荐模型；

9、获取目标用户的目标特征数据，将所述目标特征数据输入所述推荐模型中，得到产品推荐列表。

10、进一步的，所述将所述样本集输入预构建的神经网络模型中进行训练，得到训练完成的推荐模型的步骤包括：

11、按照预设比例将所述样本集分为训练集和测试集；

12、将所述训练集输入所述神经网络模型中，得到预测结果；

13、按照预设目标损失函数计算所述预测结果与所述评分标签之间的损失值；

14、基于所述损失值调整所述神经网络模型的模型参数，继续迭代训练，直至收敛，输出待验证模型；

15、使用所述测试集对所述待验证模型进行验证，得到预测误差；

16、在所述预测误差小于等于预设阈值时，输出所述待验证模型作为推荐模型。

17、进一步的，所述神经网络模型包括输入层、嵌入层、卷积注意力模块、注意力多层感知模块、矩阵分解模块以及预测层；所述将所述训练集输入所述神经网络模型中，得到预测结果的步骤包括：

18、通过所述输入层对所述训练集中的所述用户原始特征、所述产品原始特征、所述评分矩阵和所述交互矩阵进行编码，分别得到用户特征编码向量、产品特征编码向量、评分特征编码向量以及交互特征编码向量；

19、将所述用户特征编码向量、所述产品特征编码向量、所述评分特征编码向量以及所述交互特征编码向量输入所述嵌入层进行嵌入操作，得到用户潜在向量和产品潜在向量；

20、将所述用户潜在向量和所述产品潜在向量分别输入所述卷积注意力模块、所述注意力多层感知模块和所述矩阵分解模块；

21、通过所述卷积注意力模块对所述用户潜在向量和所述产品潜在向量进行用户与产品之间的交互特征提取，得到交互注意力特征向量；

22、通过所述注意力多层感知模块对所述用户潜在向量和所述产品潜在向量进行交互匹配函数学习，得到交互隐藏特征向量；

23、通过所述矩阵分解模块对所述用户潜在向量和所述产品潜在向量进行用户与产品之间的线性拟合，得到用户偏好特征向量；

24、将所述交互注意力特征向量、所述交互隐藏特征向量和所述用户偏好特征向量输入所述预测层进行预测，得到预测结果。

25、进一步的，所述卷积注意力模块包括多层卷积神经网络层和连接在每层所述卷积神经网络层之后的第一注意力层；所述通过所述卷积注意力模块对所述用户潜在向量和所述产品潜在向量进行用户与产品之间的交互特征提取，得到交互注意力特征向量的步骤包括：

26、将所述用户潜在向量和所述产品潜在向量输入所述卷积神经网络层进行交互特征提取，得到用户与产品的交互特征向量；

27、通过所述第一注意力层对所述用户与产品的交互特征向量进行注意力计算，得到交互注意力特征向量。

28、进一步的，所述注意力多层感知模块包括第二注意力层和多层隐藏层；所述通过所述注意力多层感知模块对所述用户潜在向量和所述产品潜在向量进行交互匹配函数学习，得到交互隐藏特征向量的步骤包括：

29、通过所述第二注意力层对所述用户潜在向量和所述产品潜在向量进行注意力计算，得到用户注意力特征向量；

30、通过多层所述隐藏层对所述用户注意力特征向量进行交互匹配函数学习，得到交互隐藏特征向量。

31、进一步的，所述通过所述矩阵分解模块对所述用户潜在向量和所述产品潜在向量进行用户与产品之间的线性拟合，得到用户偏好特征向量的步骤包括：

32、对所述用户潜在向量和所述产品潜在向量进行点乘操作，得到用户偏好特征向量。

33、进一步的，所述根据所述基本信息、所述健康状况信息和所述产品信息构建用户健康画像的步骤包括：

34、根据特征选择法从所述基本信息、所述健康状况信息和所述产品信息中筛选出特征值；

35、根据主成分分析法对所述特征值进行主成分分析，得到主成分特征值，对所述主成分特征值进行降维处理，并剔除噪声数据，得到有效特征值，其中，所述有效特征值为用户画像数据；

36、基于所述用户画像数据构建用户健康画像。

37、为了解决上述技术问题，本技术实施例还提供一种产品推荐装置，采用了如下所述的技术方案：

38、获取模块，用于获取用户集和产品集，采集所述用户集中每个用户的基本信息、健康状况信息以及产品信息，并获取所述产品集中的每个产品的产品数据；

39、画像构建模块，用于根据所述基本信息、所述健康状况信息和所述产品信息构建用户健康画像，并基于所述用户健康画像得到用户原始特征；

40、产品特征工程模块，用于对所述产品数据进行特征工程，得到产品原始特征；

41、矩阵构建模块，用于获取所述用户集中每个用户对所述产品集中每个产品的历史评分数据和历史交互数据，并根据所述历史评分数据和所述历史交互数据对应构建评分矩阵和交互矩阵；

42、样本构建模块，用于基于所述用户原始特征、所述产品原始特征、所述评分矩阵和所述交互矩阵构建样本集，其中，所述样本集包含有评分标签；

43、训练模块，用于将所述样本集输入预构建的神经网络模型中进行训练，得到训练完成的推荐模型；

44、推荐模块，用于获取目标用户的目标特征数据，将所述目标特征数据输入所述推荐模型中，得到产品推荐列表。

45、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

46、该计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的产品推荐方法的步骤。

47、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

48、所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的产品推荐方法的步骤。

49、与现有技术相比，本技术实施例主要有以下有益效果：

50、本技术通过构建用户健康画像，并基于用户健康画像获取用户原始特征，同时获取产品原始特征，并分别构建评分矩阵和交互矩阵，并根据用户原始特征、产品原始特征、评分矩阵和交互矩阵构建的训练集训练神经网络模型，得到最终的推荐模型，能够进一步挖掘用户与产品之间的潜在联系，根据用户的实际情况生成符合目前用户需求的产品推荐列表，使推荐结果更趋近用户的隐藏需求，提高推荐的效率和准确率。